近年来,支持向量机已经成为解决模式分类与回归问题的一种强有力的方法。经典的“最大间隔”支持向量机通过最大化两个不相交的半平面之间的距离来减低泛化误差。基于支持向量机理论,双平面支持向量机作为一种新的机器学习方法得到了广泛的研究。与经典支持向量机中的单个分类超平面不同,双平面支持向量机旨在生成两个非平行的超平面,其中,每一个超平面更接近于两类样本中的一类,并且尽可能地远离另一类。在求解过程中,双平面支持向量机利用一对小规模的二次规划问题代替经典支持向量机中单个大规模二次规划问题,使得计算速度比经典支持向量机快四倍。鉴于双平面支持向量机良好的学习性能,该算法广泛应用于模式识别、数据分类和函数拟合等领域。本文基于双平面支持向量机,结合特权信息学习、域自适应和安全样本筛选等技术,探讨了双平面支持向量机在不同任务中的应用。主要研究工作如下:（1）提出一种新的基于特权信息学习的鲁棒限制性L1范数双平面支持向量机。基于特权信息的学习策略能够充分利用丰富的特权样本实现更好的预测性能。现有的基于支持向量机的特权信息学习方法容易受到噪声和数据中包含的异常值的影响,产生较大的波动。为了解决这一问题,本文经过严格的理论分析,提出了一种新的基于特权信息学习的鲁棒限制性L1范数双平面支持向量机。该方法将鲁棒L1正则化范数引入到双平面上界和下界函数中,使得上界函数尽可能地最大化主特征和特权特征的扰动下界,而下界函数尽可能地最小化主特征和特权特征的扰动上界,从而提升模型的抗干扰能力。此外,由于广泛采用的L2范数会放大异常值的影响,本文采用限制性L1范数正则化距离进一步保证了模型的鲁棒性。实验结果表明,在数据样本含有大量噪声和离群点的情况下,所提出的方法能够取得较好的分类性能。（2）提出一种新的基于特权信息学习的域自适应双平面支持向量机。域自适应策略在于利用源域的有用信息解决目标域任务。由于源域数据集与目标域数据集具有不同的分布,域自适问题主要的挑战在于如何将现有的分类器转换成一个有效的自适应分类器。目前,自适应支持向量机已经能够有效地解决不同域之间的分类问题,但是,通过最小化自适应支持向量机中的凸二次函数不能有效地最小化源域和目标域之间的距离,并且计算复杂度较高。为了解决该问题,本文基于自适应支持向量机,提出自适应双平面支持向量机,通过引入两个较小规模的二次规划问题求解非平行上下界函数用来加快模型求解速度。此外,本文利用特权信息学习范式进一步约束目标函数中的解,提升模型的分类性能。实验结果表明,本文提出的基于特权信息学习的自适应双平面支持向量机的学习方法不仅可以大大提高分类精度,同时也能够节省计算时间。（3）提出一种新的鲁棒双平面支持向量机安全样本筛选方法。相比于经典的支持向量机,双平面支持向量机明显提高了计算速度,但是还存在一些问题。首先,由于双平面支持向量机的合页损失函数是无界的,在噪声环境下,导致模型的泛化性能下降。其次,双平面支持向量机在处理大规模数据方面具有挑战性。针对以上两个问题,本文提出了一种新的鲁棒双平面支持向量机安全样本筛选方法。具体地,由于坡道损失是有界的,本文利用坡道损失代替传统的软间隔双平面支持向量机中的合页损失,引入两个非平行的近端超平面提升对含噪数据和离群数据的抗噪能力。然后在凹凸过程的框架下,结合安全样本筛选规则,删除大部分训练样本,即选择一部分称为支持向量的样本子集,保证在不牺牲分类精度的前提下降低计算量。值得注意的是,本文所提出的方法为双平面支持向量机安全样本筛选规则提供了安全保证。最后在多个标准数据集上验证了所提方法的有效性。（4）提出一种新的多输出参数不敏感双平面支持向量回归机。多元输出回归问题旨在将多元输入特征空间映射到多元输出空间。现阶段,支持向量回归机方法能够有效地解决多输出问题。然而,采用单输出支持向量回归机模型组合的方法通常没有考虑到多输出问题之间的相关性,而其他多输出支持向量回归机易受到噪声的影响,同时具有较高的计算复杂度以及对参数变化较敏感。为了解决以上问题,本文提出一种新的多输出双平面支持向量回归机,利用两个小规模的二次规划问题求解一对非平行上下界函数来确定多输出回归函数,从而提高了学习速度。此外,为了能够处理异方差噪声,基于多输出双平面支持向量回归机模型,引入了一对多输入多输出非平行参数不敏感的上下界函数,构造了多输出参数不敏感双平面支持向量回归机模型。进一步,本文推导了核化的多输出参数不敏感双平面支持向量回归机用来解决非线性问题。最后,在多个多输出数据集上验证了本文所提出的方法具有较快的学习速度和较好的预测性能。